Use of technology in evidence-based programs for child maltreatment and its impact on parent and child outcomes
Notice bibliographique
Résumé
Introduction: Technology has been used in evidence-based child maltreatment (CM) programs for over a decade. Although advancements have been made, the extent of the application of technology in these programs, and its influence on parental and child outcomes, remains unclear within the context of changes that emerged because of the COVID-19 pandemic. This scoping review provides a contextualized overview and summary of the use of technology in evidence-based parenting and child programs serving families impacted by child maltreatment and the effects of technology-enhanced programs on target outcomes. Materials and methods: Using Arksey and O'Malley's methodological framework, we searched seven databases to identify peer-reviewed and grey literature published in English from 2000 to 2023 on evidence-based programs, according to the California Evidence-Based Clearinghouse (CEBC), that included technological supports for two populations: at-risk parents for child maltreatment prevention, and children and youth 0-18 years exposed to child maltreatment. All study designs were included. Results: = 8 on child-level programs). Four studies were published in the context of COVID-19. Two main uses of technology emerged: (1) remote programmatic delivery (i.e., delivering all or part of the program virtually using technology) and (2) programmatic enhancement (i.e., augmenting program content with technology). Improvements across parenting and child mental health and behavioral outcomes were generally observed. Discussion: Technology use in evidence-based child maltreatment programs is not new; however, the small sample since the start of the COVID-19 pandemic in this review that met inclusion criteria highlight the dearth of research published on the topic. Findings also suggest the need for the inclusion of implementation outcomes related to adoption and engagement, which could inform equitable dissemination and implementation of these programs. Additional considerations for research and practice are discussed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,035 | 0,139 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,020 | 0,023 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».